deep finance

deep-finance : Deep Learning pour la Finance

Ce référentiel n'est plus mis à jour car les travaux intéressants dans ce domaine sont rares. Si vous êtes vraiment intéressé par le Deep Learning et la finance, il est préférable de lire des articles de haute qualité sur la prévision des séries chronologiques , le traitement du langage naturel , les réseaux de neurones graphiques , le système de recommandation et la finance , dont les idées et les modèles peuvent être plus utiles.

Contenu

1. Ensemble de données
2. Papier
2.1 Prévision des stocks	2.2 Sélection du portefeuille
2.3 Gestion des risques	2.4 PNL financière
2.5 Chaîne de blocs	2.6 Teneur de marché
2.7 Autres
3. Réservez
4. Groupe de discussion

Ensemble de données

Ensemble de données	Tâche	Décrire
StockNet	Prédiction des mouvements de stock	Un ensemble de données complet pour la prévision des mouvements boursiers à partir des tweets et des cours historiques des actions.
GainsAppel	Prédiction du risque boursier	L'ensemble de données de conférence téléphonique sur les résultats des sociétés du S&P 500.
FinSBD-2019	Détection des limites des peines financières	L'ensemble de données FinSBD-2019 contient du texte financier qui a été pré-segmenté automatiquement, qui peut être utilisé pour la détection des limites des peines financières.
Banque de phrases financières	Détection des limites des peines financières	L'ensemble de données Financial Phrasebank se compose de 4 845 phrases en anglais sélectionnées au hasard à partir des actualités financières trouvées dans la base de données LexisNexis.
FiQA	Réponse aux questions financières	L'ensemble de données d'assurance qualité financière est construit en explorant les publications d'échange Stack sous le sujet Investissement au cours de la période entre 2009 et 2017.
FiQA SA	Analyse du sentiment financier	L'ensemble de données FiQA SA comprend deux types de discours : les titres d'actualité financière et les microblogs financiers, avec des entités cibles, des scores de sentiment et des aspects annotés manuellement.

Papier

Prédiction des actions

1. Applications du deep learning dans la prévision boursière : progrès récents . arxiv 2020. papier

   Wei Wei Jiang

2. Indicateur individualisé pour tous : optimisation des indicateurs techniques par stock avec intégration des stocks . KDD 2019. papier

   Zhige Li, Derek Yang, Li Zhao, Jiang Bian, Tao Qin et Tie-Yan Liu

3. Les comportements d'investissement peuvent révéler ce qu'ils contiennent : exploration des propriétés intrinsèques des actions pour la prévision des tendances boursières . KDD 2019. papier

   Chi Chen, Li Zhao, Jiang Bian, Chunxiao Xing et Tie-Yan Liu

4. Exploration des réseaux de neurones graphiques pour les prévisions boursières avec une analyse par fenêtre glissante . CoRR 2019. article

   Daiki Matsunaga, Toyotaro Suzumura, Toshihiro Takahashi

5. Classement relationnel temporel pour la prévision des stocks . TOIS 2019 . papier

   Fuli Feng, Xiangnan He, Xiang Wang, Cheng Luo, Yiqun Liu, Tat-Seng Chua

6. Intégration des relations entre entreprises via des réseaux de neurones convolutifs graphiques pour la prévision du cours des actions . CIKM 2018 . papier

   Yingmei Chen, Zhongyu Wei, Xuanjing Huang

7. Incorporation d'événements basée sur les connaissances pour la prévision des stocks . COLING 2016 . papier

   Xiao Ding, Yue Zhang, Ting Liu, Junwen Duan

8. HATS : un réseau d'attention graphique hiérarchique pour la prévision des mouvements de stocks . arxiv 2019. papier

   Raehyun Kim, Chan Ho So, Minbyul Jeong, Sanghoon Lee, Jinkyu Kim, Jaewoo Kang

9. Réseau d'attention complémentaire hiérarchique pour prédire les mouvements des cours des actions avec des actualités . CIKM18. papier

   Qikai Liu, Xiang Cheng, Sen Su, Shuguang Zhu

10. Prédiction des mouvements de stocks à partir de tweets et de prix historiques . LCA 2018. papier

    Yumo Xu, Shay B. Cohen

plus

11. Ce que vous dites et comment vous le dites est important : prédire les risques financiers à l'aide d'indices verbaux et vocaux . LCA 2019. papier

    Yu Qin, Yi Yang

12. Écouter les chuchotements chaotiques : un cadre d'apprentissage en profondeur pour la prévision des tendances boursières axée sur l'actualité . WSDM2018. papier

    Ziniu Hu, Weiqing Liu, Jiang Bian, Xuanzhe Liu

13. Améliorer la prévision des mouvements de stocks grâce à la formation contradictoire . IJCAI 2019. papier

    Fuli Feng, Huimin Chen, Xiangnan He, Ji Ding, Maosong Sun, Tat-Seng Chua

14. Réseaux de neurones récurrents multitâches et champs aléatoires de Markov d'ordre supérieur pour la prévision des mouvements des cours boursiers . KDD 2019. papier

    Chang Li (École d'informatique de l'Université de Sydney) ; Dongjin Song (CRC du marché des capitaux) ; Dacheng Tao (NEC) ;

15. Prédiction du cours des actions via la découverte de modèles de trading multifréquences . KDD 2017. papier

    Liheng Zhang, Charu C. Aggarwal, Guojun Qi

16. Un réseau neuronal récurrent basé sur l'attention à deux étages pour la prédiction de séries chronologiques . IJCAI 2017. papier

    Yao Qin, Dongjin Song, Haifeng Chen, Wei Cheng, Guofei Jiang, Garrison Cottrell

17. Modélisation de la relation boursière avec un réseau graphique pour la prévision des mouvements de stocks au cours de la nuit . IJCAI 2020 : l'IA dans la FinTech. papier

    Wei Li, Ruihan Bao, Keiko Harimoto, Deli Chen, Jingjing Xu, Qi Su

18. Un noyau entropique d'inspiration quantique pour l'analyse de plusieurs séries temporelles financières . IJCAI 2020 : l'IA dans la FinTech. papier

    Lu Bai, Lixin Cui, Yue Wang, Yuhang Jiao, Edwin R. Hancock

19. Transformateur gaussien hiérarchique multi-échelle pour la prévision des mouvements de stocks . IJCAI 2020 : l'IA dans la FinTech. papier

    Qianggang Ding, Sifan Wu, Hao Sun, Jiadong Guo, Jian Guo

20. Réseau neuronal profond bidirectionnel multi-échelle pour la prévision des tendances boursières . IJCAI 2020 : l'IA dans la FinTech. papier

    Guang Liu, Yuzhao Mao, Qi Sun, Hailong Huang, Weiguo Gao, Xuan Li, Jianping Shen, Ruifan Li, Xiaojie Wang

Sélection de portefeuille

1. Un algorithme d'apprentissage par renforcement à deux niveaux pour un problème ambigu de sélection de portefeuille à variance moyenne . IJCAI 2020 : l'IA dans la FinTech. papier

   Xin Huang, Duan Li

2. Expérience de pensée financière : une approche basée sur le GAN pour une vaste sélection de portefeuille robuste . IJCAI 2020 : l'IA dans la FinTech. papier

   Chi Seng Pun, Lei Wang, Hoi Ying Wong

3. MAPS : système de gestion de portefeuille basé sur l'apprentissage par renforcement multi-agents. . IJCAI 2020 : l'IA dans la FinTech. papier

   Jinho Lee, Raehyun Kim, Seok-Won Yi, Jaewoo Kang

4. Sélection de portefeuille en ligne avec contrainte de cardinalité et coûts de transaction basés sur un bandit contextuel . IJCAI 2020 : l'IA dans la FinTech. papier

   Mengying Zhu, Xiaolin Zheng, Yan Wang, Qianqiao Liang, Wenfang Zhang

5. RM-CVaR : Portefeuille β-CVaR multiple régularisé . IJCAI 2020 : l'IA dans la FinTech. papier

   Kei Nakagawa, Shuhei Noma, Masaya Abe

6. Transformateur sensible aux relations pour l'apprentissage des politiques de portefeuille . IJCAI 2020 : l'IA dans la FinTech. papier

   Ke Xu, Yifan Zhang, Deheng Ye, Peilin Zhao, Mingkui Tan

7. Stratégie de réversion de pondération autorégressive vectorielle pour la sélection de portefeuille en ligne . IJCAI 2020 : l'IA dans la FinTech. papier

   Xia Cai

8. Un cadre d'exécution commerciale optimal de bout en bout basé sur l'optimisation proximale des politiques . IJCAI 2020 : l'IA dans la FinTech. papier

   Siyu Lin, Peter A. Beling

Gestion des risques

1. Analyse des risques financiers pour les PME avec l'exploitation minière de la chaîne d'approvisionnement basée sur des graphiques . IJCAI 2020 : l'IA dans la FinTech. papier

   Shuo Yang, Zhiqiang Zhang, Jun Zhou, Yang Wang, Wang Sun, Xingyu Zhong, Yanming Fang, Quan Yu, Yuan Qi

2. Méta-apprentissage fédéré pour la détection des cartes de crédit frauduleuses . IJCAI 2020 : l'IA dans la FinTech. papier

   Wenbo Zheng, Lan Yan, Chao Gou, Fei-Yue Wang

3. Le signe comportemental du vol de compte : réaliser une alerte de fraude aux paiements en ligne . IJCAI 2020 : l'IA dans la FinTech. papier

   Cheng WANG

4. Détection des escroqueries par phishing sur Ethereum : vers la sécurité financière de l'écosystème Blockchain . IJCAI 2020 : l'IA dans la FinTech. papier

   Weili Chen, Xiongfeng Guo, Zhiguang Chen, Zibin Zheng, Yutong Lu

5. Apprentissage multimodal interprétable pour une régulation intelligente dans les systèmes de paiement en ligne . IJCAI 2020 : l'IA dans la FinTech. papier

   Shuoyao Wang, Diwei Zhu

6. Prédiction de la garantie des risques dans les prêts en réseau . IJCAI 2020 : l'IA dans la FinTech. papier

   Dawei Cheng, Xiaoyang Wang, Ying Zhang, Liqing Zhang

7. Optimisation de la région de confiance averse au risque pour la réduction de la volatilité des récompenses . IJCAI 2020 : l'IA dans la FinTech. papier

   Lorenzo Bisi, Luca Sabbioni, Edoardo Vittori, Matteo Papini, Marcello Restelli

8. Mise en lumière des anomalies à l'aide de modèles fréquents . KDD 2017 : Détection d'anomalies en finance . papier

   Jaroslav Kuchař, Vojtěch Svátek

9. Détection de fraude collective capturant la dépendance inter-transaction . KDD 2017 : Détection d'anomalies en finance . papier

   Bokai Cao, Mia Mao, Siim Viidu, Philip S. Yu

10. Système automatisé de détection des anomalies d'attributs de données . KDD 2017 : Détection d'anomalies en finance . papier

    Nalin Aggarwal, Alexander Statnikov, Chao Yuan

plus

11. Recherche d'issues indésirables à l'aide de la détection d'anomalies . KDD 2017 : Détection d'anomalies en finance . papier

    Michelle Miller, Robert Cézeaux

12. Détection d'anomalies avec arbres d'estimation de densité . KDD 2017 : Détection d'anomalies en finance . papier

    Parikshit Ram, Alexander Gray

13. Noyaux regroupés pour la détection d'anomalies dans les données multi-échelles de temps à l'aide de processus gaussiens . KDD 2017 : Détection d'anomalies en finance . papier

    Matthew van Adelsberg, Christian Schwantes

14. Détection d'anomalies basée sur un ensemble à l'aide d'un accord de coopération . KDD 2017 : Détection d'anomalies en finance . papier

    Rasha Kashef

15. Système de détection d'anomalies en temps réel pour les séries chronologiques à grande échelle . KDD 2017 : Détection d'anomalies en finance . papier

    Ira Cohen, Meir Toledano, Yonatan Ben Simhon, Inbal Tadeski

16. PD-FDS : système de détection de fraude par carte de crédit en ligne basé sur la densité d'achat . KDD 2017 : Détection d'anomalies en finance . papier

    Youngjoon Ki, Ji Won Yoon

17. Apprentissage profond pour détecter la fraude aux traitements parmi les prestataires de soins de santé . KDD 2017 : Détection d'anomalies en finance . papier

    Daniel Lasaga, Prakash Santhana

Finance PNL

1. Conseiller de conformité sémantique approfondie pour la vérification de la conformité des documents non structurés . IJCAI 2020 : l'IA dans la FinTech. papier

   Honglei Guo, Bang An, Zhili Guo, Zhong Su

2. "Le Bot Squawk": Apprentissage conjoint des modalités de séries chronologiques et de données textuelles pour le filtrage automatisé des informations financières . IJCAI 2020 : l'IA dans la FinTech. papier

   Xuan-Hong Dang, Syed Yousaf Shah, Petros Zerfos

3. Un modèle unifié pour la classification, la détection et la synthèse des événements financiers . IJCAI 2020 : l'IA dans la FinTech. papier

   Quanzhi Li, Qiong Zhang

4. F-HMTC : Détection d'événements financiers pour les décisions d'investissement basées sur la classification de texte multi-étiquettes hiérarchique neuronale . IJCAI 2020 : l'IA dans la FinTech. papier

   Xin Liang, Dawei Cheng, Fangzhou Yang, Yifeng Luo, Weining Qian, Aoying Zhou

5. Prédiction des risques financiers avec un réseau d'attention questions-réponses à plusieurs tours . IJCAI 2020 : l'IA dans la FinTech. papier

   Zhen Ye, Yu Qin, Wei Xu

6. FinBERT : un modèle de représentation du langage financier pré-entraîné pour l'exploration de textes financiers . IJCAI 2020 : l'IA dans la FinTech. papier

   Zhuang Liu, Degen Huang, Kaiyu Huang, Zhuang Li, Jun Zhao

7. Clonage de comportement en deux étapes pour le système de dialogue parlé dans le recouvrement de créances . IJCAI 2020 : l'IA dans la FinTech. papier

   Zihao Wang, Jia Liu, Hengbin Cui, Chunxiang Jin, Minghui Yang, Yafang Wang, Xiaolong Li, Renxin Mao

Chaîne de blocs

1. BitcoinHeist : Analyse des données topologiques pour la prédiction des ransomwares sur la blockchain Bitcoin . IJCAI 2020 : l'IA dans la FinTech. papier

   Cuneyt G. Akcora, Yitao Li, Yulia R. Gel, Murat Kantarcioglu

2. SEBF : un modèle d'extension de blockchain basé sur une chaîne unique pour Fintech . IJCAI 2020 : l'IA dans la FinTech. papier

   Yimu Ji, Weiheng Gu, Fei Chen, Xiaoying Xiao, Jing Sun, Shangdong Liu, Jing He, Yunyao Li, Kaixiang Zhang, Fen Mei, Fei Wu

3. Infochain : un Oracle décentralisé, sans confiance et transparent sur Blockchain . IJCAI 2020 : l'IA dans la FinTech. papier

   Naman Goel, Cyril van Schreven, Aris Filos-Ratsikas, Boi Faltings

Teneur de marché

1. Manipulation du marché : un cadre d'apprentissage contradictoire pour la détection et l'évasion . IJCAI 2020 : l'IA dans la FinTech. papier

   Xintong Wang, Michael P. Wellman

2. Création de marché basée sur les données via un apprentissage sans modèle . IJCAI 2020 : l'IA dans la FinTech. papier

   Yueyang Zhong, YeeMan Bergstrom, Amy Ward

3. Création de marché robuste grâce à l'apprentissage par renforcement contradictoire . IJCAI 2020 : l'IA dans la FinTech. papier

   Thomas Spooner, Rahul Savani

Autres

1. IGNITE : un jeu Minimax pour apprendre les effets individuels du traitement à partir de données d'observation en réseau . IJCAI 2020 : l'IA dans la FinTech. papier

   Ruocheng Guo, Jundong Li, Yichuan Li, K. Selçuk Candan, Adrienne Raglin, Huan Liu

2. Apprentissage basé sur les tâches via un réseau de prédiction orienté tâches avec des applications en finance . IJCAI 2020 : l'IA dans la FinTech. papier

   Di Chen, Yada Zhu, Xiaodong Cui, Carla P. Gomes

3. WATTNet : Apprendre à négocier des devises via une représentation spatio-temporelle hiérarchique de séries temporelles hautement multivariées . IJCAI 2020 : l'IA dans la FinTech. papier

   Michael Poli, Parc Jinkyoo, Ilija Ilievski

Livre

1. L'économétrie des marchés financiers

   John Y. Campbell, Andrew W. Lo, A. Craig Mackinlay

2. Progrès dans l’apprentissage automatique financier

   Marcos López de Prado

3. Décisions financières et marchés : un cours sur la tarification des actifs

   J.Campbell

Groupe de discussion

Le projet AI+Finance est basé sur le principe suivant :